编辑推荐：
当前学生参与度研究多聚焦个体且方法存缺陷，难以契合真实课堂。为此，研究人员开展 “OUC Classroom Group Engagement Dataset（OUC-CGE）” 研究。他们创建首个纯视觉信号分析课堂小组参与度的数据集，经技术 - 教学双重验证，该数据集效果良好，为智能教育发展提供助力。
在教育领域，学生参与度对学习效果的影响至关重要。它直接关系到知识构建的质量，是衡量教学方法有效性的关键指标。然而，现有的研究大多集中在通过实验室控制的计算机交互来识别个体参与度，这种模式与真实的课堂动态严重脱节。传统测量参与度的工具，如自我报告、观察清单和评分量表报告，存在微观层面捕捉不足、耗时费力的问题；自动测量方法中，基于电子学习系统的方式依赖固定指标且易受偏差影响，基于生理传感器的分析则成本高昂且干扰性大。
为了解决这些问题，中国海洋大学的研究人员开展了一项具有创新性的研究。他们致力于通过视觉线索识别课堂环境中的学生小组参与度，并提出了 OUC Classroom Group Engagement Dataset（OUC-CGE）数据集。这是首个专门用于真实课堂环境中小组参与度分析的基准数据集，仅使用纯视觉信号。研究得出，该数据集通过技术 - 教学双重验证策略，与现有数据集相比，展现出良好的一致性和可区分性。该研究成果发表在《Scientific Data》上，为教育领域的人工智能研究开辟了新的道路，有助于推动智能教育的发展，让教学过程更加科学、高效。
研究人员在开展研究时，运用了多种关键技术方法。在数据采集方面，利用智能教室的多个摄像头从不同角度采集视频数据，涵盖了多种课程和教学场景。数据处理阶段，采用手动和自动相结合的方式对视频进行分割，将其划分为 10 秒长的片段。标注过程中，依据 ICAP 框架（Interactive, Constructive, Active, Passive，即交互、建构、主动、被动框架 ）设计了三等级标注系统，由专家标注并通过自我报告辅助，最终达成一致性标注结果。
研究结果主要包含以下几个方面：
- 数据集构建：详细介绍了 OUC-CGE 数据集的构建过程。在参与者和实验设置上，选择彼此熟悉且对主题了解较少的 17 名本科生（16 女 1 男），在两种教室布局（圆桌和棋盘式）下进行实验。教学活动设计遵循 21 世纪学习目标，设置结构化和非结构化活动，并精心安排刺激因素以引发不同参与度。通过手动和自动分割视频，得到 7705 个 10 秒长的视频片段，并进行标注。标注时结合多种方法，确定低、中、高三种参与度等级，如低参与度表现为学生明显分心，高参与度表现为学生全身心投入学习任务。
- 技术验证：使用六个不同模型（SlowFast、C2D、I3D、X3D、SLOW-NLN 和 SLOW）对任务参与度水平进行分类。研究发现 SLOW 模型在 OUC-CGE1 数据集上表现出色，准确率达到 97.8%，宏平均 AUC 为 0.99 。这是因为 SLOW 模型更擅长捕捉学生群体参与活动时相对缓慢稳定的运动特征，在处理有限数据时学习效率更高，对数据噪声也更具鲁棒性。同时，研究也指出该数据集和模型存在的一些问题，如可能存在过拟合或数据集特异性偏差，模型在处理时间复杂度高或细粒度任务时存在困难 。
- 研究意义：OUC-CGE 数据集为人工智能驱动的课堂分析系统提供了训练数据，可实现实时参与度相关警报和干预。它能为教师提供客观反馈，帮助教师发现低效教学实践，推动教学改进。与传统考试成绩不同，该数据集纳入了行为参与（如举手频率）、情感参与（通过面部表情分析）和认知参与（基于提问质量评估），有助于推动教育从经验驱动向证据驱动转变，重塑 “以学生为中心” 的教育生态系统。
总的来说，这项研究成功建立了小组参与度作为可计算的教学结构，为教师提供了洞察小组参与轨迹的诊断视角，同时保留了真实课堂的生态复杂性。研究人员提出的数据集和模型为后续研究奠定了基础，但也认识到研究存在的局限性，如自我评估参与度的挑战、教育环境复杂性和学生多样性带来的问题。未来，研究人员计划通过增加时间动态多样性、引入更多场景变化和丰富类别或细粒度标签等方式，进一步增强模型的鲁棒性，以更好地适应复杂的教育场景，为智能教育发展贡献更多力量。
